Ola przez miesiące testowała różne narzędzia AI, ale to jedno zostawiła sobie na koniec, bo się go bała. Klonowanie własnego głosu. Ten odcinek to test na żywo, bez próby generalnej, z prawdziwą reakcją na to, co wyszło.
Impulsem był program „Umiejętności jutra" prowadzony przez Google i SGH, gdzie klonowanie głosu w ElevenLabs pokazano na warsztatach. Ola uznała, że dłużej nie ma na co czekać.
Konto i przygotowanie
Rejestracja przez Google zajmuje kilkanaście sekund, ale żeby klonować głos, potrzebne jest konto płatne. Ola wybrała plan Creator.
Przed nagraniem narzędzie wyświetla trzy zalecenia i warto je potraktować poważnie, bo od nich zależy jakość klonu: unikaj hałaśliwego otoczenia, sprawdź jakość mikrofonu, używaj spójnego sprzętu. Ola nagrywała w biurze na mikrofonie Snowball.
Ile materiału naprawdę potrzeba
To najbardziej zaskakująca liczba w całym odcinku. Natychmiastowy klon głosu wymaga minimum 10 sekund nagrania. Ola nagrała fragment własnego e-booka plus kilka spontanicznych zdań od siebie, żeby w próbce był też naturalny, nieczytany ton.
Po zapisaniu głosu ElevenLabs prosi jeszcze o weryfikację: trzeba przeczytać na głos zdanie wyświetlone na ekranie. To zabezpieczenie przed klonowaniem cudzego głosu bez zgody.
Pierwszy test i moment, w którym robi się nieswojo
Pierwsze wygenerowane zdanie brzmiało „Cześć, tu Ola Gościniak" - ale Ola od razu zauważyła, że to nieuczciwy test, bo dokładnie tę frazę wypowiedziała w próbce. Wkleiła więc fragment e-booka, którego wcześniej nie czytała.
To brzmi jak nagranie mnie, którego nigdy nie zrobiłam.
I to jest sedno reakcji na to narzędzie. Nie chodzi o to, że słychać robota. Chodzi o to, że robota nie słychać wcale, a zdania są cudze.
Suwaki, które faktycznie zmieniają efekt
Po wygenerowaniu pierwszej próbki dostajesz trzy regulatory: prędkość, stabilność i podobieństwo. Ola przetestowała je na żywo i wniosek jest konkretny.
Im niższa stabilność, tym głos brzmi bardziej nierówno i emocjonalnie, z naturalnymi wahaniami intonacji - czyli bliżej żywej mowy. Wysoka stabilność daje efekt równiejszy, ale bardziej płaski. Podobieństwo warto podnieść, jeśli zależy Ci na wierności oryginałowi.
Różnica jest subtelna, ale słyszalna. Przy dłuższych materiałach, jak audiobook, decyduje o tym, czy słuchacz wytrzyma godzinę.
Dwa tryby klonowania i po co ten drugi
W ElevenLabs są dwie ścieżki. Natychmiastowy klon to 10 sekund nagrania i wynik od ręki. Profesjonalny klon wymaga nawet 30 minut materiału i znacznie dłuższego przetwarzania.
Ola świadomie zaczęła od tego pierwszego, żeby zobaczyć, ile da się wycisnąć z minimum. Efekt ocenia jako naprawdę dobry jak na dziesięć sekund próbki, ale zapowiada, że przy dłuższych materiałach sięgnie po wersję profesjonalną.
Do czego to się realnie przydaje
Pomysł pojawił się jeszcze w trakcie testu. Ola ma e-booka, który do tej pory istniał wyłącznie jako tekst - ponad 200 stron. Sklonowany głos pozwala zamienić go w audiobooka bez siedzenia od rana do wieczora w studiu nagraniowym.
To dobra ilustracja tego, jak warto podchodzić do narzędzi AI: nie „co fajnego umie ta zabawka", tylko „który mój istniejący produkt mogę dzięki temu wydać w nowym formacie".
Z jednej strony trochę mnie zmroziło słyszeć siebie mówiącą zdania, których nigdy nie powiedziałam. Z drugiej widzę dokładnie, do czego mogę to wykorzystać.
Co warto zapamiętać
Klonowanie głosu w ElevenLabs wymaga płatnego konta i dosłownie kilkunastu sekund nagrania. Jakość klonu zależy przede wszystkim od jakości próbki, więc cichy pokój i przyzwoity mikrofon są ważniejsze niż długość materiału. Suwak stabilności odpowiada za naturalność brzmienia, a nie za jego wierność. A najsensowniejsze zastosowanie to nie zabawa, tylko wydanie w formie audio czegoś, co już masz napisane.
